при оплаті відразу за весь курс
На курсі будуть розглянуті різні завдання машинного навчання з точки зору роботи з даними і особливостей різних моделей машинного навчання.
На курсі використовується мова Python — найпоширеніша на сьогоднішній день мова для роботи з машинним навчанням і аналізом даних. На курсі студенти навчаться працювати з традиційними алгоритмами і методами машинного навчання, нейронними мережами, а також обробкою природних мов і комп'ютерним зором.
ЦІЛІ КУРСУ
- Навчитися готувати дані і конструювати ознаки
- Навчитися визначати типи необхідної моделі машинного навчання
- Навчитися вибирати алгоритм оптимізації, регуляризації моделі
- Навчитися вибирати метрики для контролю якості моделі
- Візуалізувати отримані результати
В кінці курсу виконується дипломний проект.
БОНУСИ КУРСУ
-
Всі студенти цього курсу можуть відвідувати заняття з англійської мови
-
Всі студенти курсу пройдуть тренінг по проходженню співбесіди та складанню резюме з нашим HR-фахівцем
-
Тестова співбесіда з технічним фахівцем
Записатися на проходження курсу
Сертификат
Організатор
Программа курса
Програма онлайн-курсу
Machine Learning
-
Науки, на яких базується машинне навчання
- Лінійна алгебра
- Статистика
- Оптимізація
- Типи завдань машинного навчання — класифікація і прогноз
-
Основні етапи проєкту машинного навчання
- Підготовка данних
- Вибір моделі, налаштування гіперпараметрів моделі
- Граф обчислень
- Метрики для контролю якості моделі
-
Перспептрон — найпростіша нейронна мережа (ч.1)
- Матричні операції при прямому поширенні сигналу
- Матричні операції при зворотному поширенні сигналу
- Градієнт цільової функції
- Механізм поновлення ваг — навчання!
- Порівняння реалізації персептрона з допомогою NumPy і Keras — швидкість і зручність
- Методи регуляризації і batch-навчання
-
Перспептрон — найпростіша нейронна мережа (ч.2)
- Механізм поновлення ваг — навчання!
- Порівняння реалізації персептрона з допомогою NumPy і Keras — швидкість і зручність
- Методи регуляризації і batch-навчання
-
Рекурентні нейронні мережі
- Послідовні структури даних навколо нас
- Проблема вибухових і зникаючих градієнтів
- LSTM- і GRU-вентилі в архітектурі рекурентних нейронних мереж
-
Згорткові нейронні мережі
- Операція згортки для найпростіших функцій
- Фільтри для отримання ознак зображення за допомогою згорток
- Аналіз ключових елементів архітектури згортальних нейронних мереж
- Найбільш поширені архітектури згортальних нейронних мереж
-
Автокодировщики
- Стиснення інформації при проходженні сигналу через автокодіровщік
- Зниження розмірності, виділення ознак
- Стиснення даних і зниження рівня шуму
-
Метод аналізу головних компонентів
- Набір даних як багатовимірний простір
- Проекції і відстані в багатовимірному просторі
- Аналіз дисперсії в даних і її вплив на розподіл даних
-
Методи кластеризації
- Простановка міток або проведення кордонів
- Що таке сепарабельність даних
- Кластеризація в просторі зниженою розмірності: RFM-аналіз споживачів
-
Ансамблеві методи
- Один сильний класифікатор або багато слабких
- Механізм голосування
- Нетривіальні підходи
-
Дерева і ліси
- Потужна альтернатива нейронних мереж
- Рішення нелінійних задач за допомогою лінійних інструментів
- Бустінг
-
Рекомендаційні системи
- Вектори в багатовимірному просторі
- Способів сказати «поруч» може бути кілька
- Різні способи кодування інформації про покупках